《Artificial Intelligence in Geosciences》:An FCM-based microseismic phase arrival picking method and application
编辑推荐:
基于人工智能的微地震震相初至拾取方法已被广泛采用,然而这些方法常受复杂动态监测场景的挑战,各类环境噪声掩盖低能量微地震信号,且标记数据的匮乏往往影响结果的可靠性与准确性。针对这些问题,研究人员提出了一种名为FC-Net的新型监督学习框架,该框架将模糊C均值聚类
基于人工智能的微地震震相初至拾取方法已被广泛采用,然而这些方法常受复杂动态监测场景的挑战,各类环境噪声掩盖低能量微地震信号,且标记数据的匮乏往往影响结果的可靠性与准确性。针对这些问题,研究人员提出了一种名为FC-Net的新型监督学习框架,该框架将模糊C均值聚类(Fuzzy C-means clustering, FCM)自动标记与U-Net架构相融合。具体而言,FCM算法用于推导微地震震相初至时间的概率分布,并将其用作模型训练的训练标签。所提出的FC-Net配备了软注意力门(soft attention gates, AGs)和循环残差卷积单元(recurrent-residual convolution units, RRCUs),有效增强了网络关注关键地震特征的能力。初至拾取时刻被确定为预测概率首次超过预定义阈值的时刻。在西南中国采集的现场数据集上评估,结果表明FC-Net优于传统U-Net方法。实验结果显示,FC-Net实现了自适应标记,提高了微地震事件的检测率,并改善了震相初至拾取的精度。此外,该框架在不同信噪比(signal-to-noise ratio, SNR)的微地震事件中展现出强大的泛化性能。
论文解读:《基于模糊C均值聚类的微地震震相初至拾取方法及应用》
研究背景与意义
微地震监测是一种通过分析微地震信号的波形、频谱等属性来全面刻画地下结构的地球物理方法。震相初至时间识别是微地震监测分析流程中的关键环节。然而,低能量微地震信号易受环境噪声干扰,影响初至时间识别的可靠性与精度。随着地震数据量激增,自动拾取方法如短长时平均比(Short- and Long-term Average Ratio, STA/LTA)和赤池信息准则(Akaike Information Criterion, AIC)被提出,但前者参数固定、灵活性差,后者计算复杂且易受局部极小值影响。近年来,基于U-Net的语义分割网络被引入震相拾取,虽避免了先识别分类再拾取的繁琐步骤,但仍面临挑战:微地震信号具有低信噪比、小振幅、短持续时间的特征,传统方法对低信噪比信号敏感度低,而基于U-Net的方法在强背景噪声下拾取初至仍有困难。此外,网络训练依赖专业人员手动标记,耗时费力且易受主观因素影响,尤其对低信噪比信号标记误差更大。现有PhaseNet方法中,高斯分布标签存在主观偏差且仅能标记初至时刻,0–1分布标签则过于刚性,无法充分反映信号动态能量变化。因此,研究人员开展了这项研究,提出一种结合FCM与U-Net的监督学习框架FC-Net,以实现自动标记并提高拾取精度。该论文发表在《Artificial Intelligence in Geosciences》。
关键技术方法
研究人员使用了来自中国四川盆地嘉阳煤矿的数据集,包含6台微地震采集设备以1000 Hz采样率记录的单分量信号,经分割和人工标记后得到510条波形(255个微地震事件和255个噪声)。关键技术包括:采用模糊C均值聚类(FCM)算法,提取微地震信号的峰度(K)、能量(P)和标准差(Δ)三种物理属性作为输入,通过FCM自适应生成初至时间的概率分布标签,替代传统高斯或0–1分布标签;构建FC-Net网络,以U-Net为基础架构,融入软注意力门(AGs)和循环残差卷积单元(RRCUs),下采样阶段使用10×2卷积核和最大池化,上采样阶段通过反卷积和跳跃连接恢复特征,输出P波和噪声的双通道概率分布;采用Adam优化算法(学习率0.001)和交叉熵损失函数进行训练,初至时刻判定为预测P波概率首次超过0.5的采样点。
研究结果
- 2.
数据集
研究人员利用中国四川盆地嘉阳煤矿数据集,包含6台设备采集的1000 Hz单分量信号,分割为1000 ms窗口并手动标记,得到255个微地震事件和255个噪声波形,共510条数据。经最小-最大归一化后,采用二值0–1分布表示初至时间作为对照组。该数据集为后续方法验证提供了基础。
- 3.
方法
3.1 模糊C均值聚类
FCM通过最小化目标函数将样本划分为c个簇,更新隶属度矩阵和聚类中心。研究人员提取峰度(K)、能量(P)、偏度(S)、标准差(Δ)和绝对振幅(ABS)五种物理属性,经组合对比,选定K、P、Δ作为FCM输入,滑动窗口长度设为61个采样点时误差最小、准确率最高。FCM标签不仅能反映初至时间,还能反映整个事件的连续部分,优于高斯分布和0–1分布标签。在信噪比大于?2 dB范围内,FCM标记误差稳定在20 ms内,准确率达100%,为FC-Net处理低信噪比事件提供了理论支撑。FCM自动标记单条数据平均耗时22.55 ms,显著降低了人工成本。
3.2 网络架构
FC-Net基于U-Net设计,输入为单分量微地震信号,输出为P波和噪声的双通道概率分布。下采样阶段包含5个子模块,每个子模块由循环残差卷积层(卷积核10×2)和池化层组成;上采样阶段对应5个子模块,通过反卷积和跳跃连接融合特征。网络引入软注意力门(AGs)和循环残差卷积单元(RRCUs),使用ReLU激活函数和Softmax输出概率。初至时间由预测P波概率首次超过阈值0.5确定。标签为FCM生成的双通道概率分布。训练流程包括:数据分割与归一化、数据增强(随机平移并补零)、特征提取(K、P、Δ)、FCM自动标记、模型训练(50轮,批量20)以及性能评估。
- 4.
结果
4.1 模型性能
在嘉阳煤矿数据集上,采用10折交叉验证。研究人员首先基于PhaseNet验证FCM标签有效性:将高斯分布标签替换为FCM标签后,虽然精确率从0.858降至0.737,但召回率从0.599升至0.821,F1分数从0.706升至0.777,平均误差从91.776 ms降至39.392 ms,标准差从206.486 ms降至141.324 ms,准确率从78.431%升至85.490%。随后对比完整FC-Net与PhaseNet,FC-Net的召回率(0.837)、F1分数(0.810)、平均误差(21.725 ms)、标准差(88.005 ms)和准确率(88.431%)均优于PhaseNet。在高信噪比事件中,FC-Net比PhaseNet更平滑稳定;在低信噪比事件中,PhaseNet无法准确拾取,而FC-Net仍能完成。
4.2 消融实验
为验证AGs和RRCUs的作用,研究人员设计了四种模型变体:基线模型(无AGs和RRCUs)、FC-Net/AGs(仅加AGs)、FC-Net/RRCUs(仅加RRCUs)和完整FC-Net。结果显示,AGs有效抑制噪声并降低误差,RRCUs增强深度特征提取并提高精确率、召回率和准确率。完整FC-Net在平均误差(21.725 ms)和标准差(88.005 ms)上达到最优,且其他指标接近单模块最优值,表明AGs与RRCUs具有协同效应。
4.3 模型鲁棒性
研究人员选取接近理想的微地震事件,添加带限白高斯噪声和粉红噪声生成合成数据记录,信噪比范围从?6 dB到8 dB。测试表明,在SNR≥2 dB时FC-Net表现良好,SNR≥4 dB时准确率和精确率接近100%。PhaseNet除精确率外各项指标均远逊于FC-Net。随着信噪比降低,两种网络性能均下降,但FC-Net噪声抑制能力占优。FCM对SNR>?2 dB的微地震事件标记几乎完美,但训练集信噪比范围较小,导致FC-Net有效预测范围受限。
- 5.
结论
研究人员总结了经典方法STA/LTA和AIC的局限性,指出大多数监督学习中依赖专业人员手动标记导致效率低和主观误差。提出的FC-Net基于FCM和U-Net,结合AGs和RRCUs,通过输入峰度、能量和标准差至FCM获得P波初至概率分布,作为标签约束网络学习,最终输出P波概率分布。FC-Net在数据集上实现了标记自动化,提高了客观性和准确性,避免了手动标记的主观影响,增强了敏感性和鲁棒性,提升了微地震事件识别率和初至拾取精度,对不同信噪比事件具有更强泛化能力。此外,FC-Net输出不仅能反映P波初至时间,还能完整反映事件持续时间,为微地震监测后续工作提供了更便捷有价值的信息。
总结讨论
该研究针对微地震震相初至拾取中噪声干扰和标记数据匮乏的问题,创新性地引入模糊C均值聚类生成概率分布标签,并融合U-Net、软注意力门和循环残差卷积单元构建FC-Net框架。研究结论表明,FCM自动标记在准确率和稳定性上优于传统高斯和0–1标签,FC-Net在检测率、拾取精度和泛化能力方面均超越现有方法,尤其在低信噪比条件下优势明显。消融实验证实了各模块的有效性及协同作用。该成果发表于《Artificial Intelligence in Geosciences》,为微地震监测提供了一种高效、自动化的处理方案,不仅提升了初至拾取的准确性,其输出的连续事件信息也为后续能量评估等分析提供了便利,具有重要的实际应用价值。